CODICE CORSO: I-EF19 LINGUA:

Introduzione alle Simulazioni Monte Carlo e Bootstrapping in Stata

Le simulazioni Monte Carlo ed il Bootstrapping sono tecniche molto utili per mostrare, in piccoli e grandi campioni, le proprietà statistiche degli stimatori (Monte Carlo) e per stimare i loro errori standard quando le formule analitiche non sono disponibili (Bootstrapping). Stata rende accessibile l’utilizzo di questi metodi ad un vasto pubblico con alcuni comandi dedicati e semplici da utilizzare. In questo corso i principi di base della simulazione Monte Carlo e del Bootstrapping vengono presentati, discussi e dimostrati attraverso alcune semplici applicazioni.

Le lezioni saranno di tipo interattivo ed avranno contenuto prevalentemente applicato. I partecipanti potranno sperimentare nelle sessioni due e quattro le tecniche apprese attraverso numerose applicazioni empiriche su dati reali svolte dalle proprie postazioni di calcolo sotto la guida del docente.

 

MATERIALI: I materiali del corso includono i lucidi con la parte teorica, i do-file e le banche dati per l’implementazione di tutte le applicazioni empiriche. Questo consentirà ad ogni partecipante di esercitarsi sui contenuti del corso, eseguendo autonomamente i file distribuiti.

Il corso è di interesse per ricercatori e analisti in economia e scienze sociali che desiderano implementare i metodi Monte Carlo e di Boostrapping di recente sviluppo in Stata.

Conoscenza di base del software Stata, di statistica inferenziale ed in particolare del concetto di stimatore e sue proprietà e di campionamento statistico.

SESSIONE I: Background teorico della simulazione Monte Carlo

Introduzione alle simulazioni Monte Carlo in statistica ed econometria

Specificazione del modello e concetto di Data Generating Process (DGP)

 

SESSIONE II: Basi di Stata e comandi dedicati

Breve Introduzione alla sintassi ed alla programmazione in Stata

I comandi post-file and simulate

 

SESSIONE III: Applicazioni

Regressione lineare normale

Autocorrelazione e variabili dipendenti ritardate

Endogeneità e variabili strumentali

Effetto medio di trattamento

Come cambiare un disegno di simulazione

 

SESSIONE IV: Teoria del metodo Bootstrap

Un’introduzione al bootstrap

La nozione statistica di “re-sampling

L’algoritmo di Bootstrap

Assunzioni per la consistenza dello stimatore di bootstrap

Metodi di campionamento bootstrap

Bootstrap non-parametrico

Bootstrap parametrico

Bootstrap residuale

La nozione di “asymptotic refinement

Statistiche “asymptotic pivotal

Stime bootstrap

Stima bootstrap del “bias”

Stima bootstrap dello “standard error”

Bootstrap degli intervalli di confidenza

Bootstrap delle statistiche-test

 

SESSIONE V: Applicazione del metodo Bootstrap

Implementare il boostrap in Stata

Stime bootstrap dello standard error implementate come opzione di un comando Stata

Stime bootstrap dello standard error implementate con il comando bootstrap

Stime bootstrap di un generico stimatore usando comandi user-written

Bootstrap non-parametrico usando bsample e simulate

Schemi alternativi di re-sampling

Bootstrap stratificato

Bootstrap clasterizzato

Bootstrap parametrico

Bootstrap residuale

Wild bootstrap

Sotto-campionamento

Il metodo Jackknife

Approfondimenti

Il bootstrap per stimatori non-lineari

Come usare il bootstrap per stimatori a due stadi

Non sono inserite date in programma per l’anno in corso.

In caso di interesse sulle prossime edizioni, contattare la segreteria organizzativa scrivendo a formazione@tstat.it


L’iscrizione al corso dovrà avvenire tramite lo specifico modulo di registrazione e pervenire a TStat S.r.l. almeno 15 giorni prima dell’inizio del corso stesso. E’ possibile richiedere il modulo di registrazione compilando il seguente form oppure inviando una mail a formazione@tstat.it


NOME*


EMAIL*


OGGETTO


IL TUO MESSAGGIO


Termini e condizioni*
Autorizzo il trattamento dei dati personali ai sensi dell'articolo 13 del D.lgs. n.196/2003 - Testo completo



Le simulazioni Monte Carlo ed il Bootstrapping sono tecniche molto utili per mostrare, in piccoli e grandi campioni, le proprietà statistiche degli stimatori (Monte Carlo) e per stimare i loro errori standard quando le formule analitiche non sono disponibili (Bootstrapping).